基于广义高斯混合模型框架的鲁棒自适应Volterra滤波

《IEEE Open Journal of Signal Processing》：Robust Adaptive Volterra Filtering Based on a Generalized Gaussian Mixture Model Framework

　　

摘要：

在复杂且存在脉冲噪声的环境中，由于噪声具有非高斯特性，传统自适应滤波算法往往无法取得令人满意的效果。针对线性系统的自适应滤波问题，已有研究将广义高斯混合模型（GGMM）应用于残差建模，由此发展出鲁棒滤波方法，提升了非高斯噪声环境下的性能。然而，在实际应用中，系统往往表现出显著的非线性特征，使得线性滤波器难以准确刻画输入与输出之间的复杂映射关系。在此基础上，本文将GGMM框架拓展至非线性Volterra滤波器，提出了一种基于GGMM的鲁棒自适应Volterra滤波方法。该方法通过Volterra级数展开来捕捉系统的高阶非线性特性；在最大似然框架下，利用GGMM概率建模来刻画残差分布；同时，通过期望最大化（EM）算法迭代估计分布参数，实现滤波器系数与噪声模型的协同自适应更新。理论分析与仿真结果表明，在非高斯噪声环境下，该方法不仅保持了快速收敛和低稳态误差，而且在非线性系统辨识方面显著优于传统的线性鲁棒滤波方法。